AI 大模型

视频大模型

视频理解、视频生成、视频语言模型和时序视觉推理。

2026-06-12 至 2026-06-12 共收录 3 篇信号源：cs.CV, eess.IV, cs.MM

1. 视频扩散模型 1 篇

2606.01538 2026-06-12 cs.GR cs.CV cs.LG 版本更新 57%

MPMWorlds: Material-Point-Method Simulations for Inferring and Extrapolating Physical Dynamics

MPMWorlds: 用于推断和外推物理动力学的物质点法模拟

Žiga Kovačič, Kevin Ellis

机构 * Cornell University（康奈尔大学）

专题命中视频扩散模型：video diffusion(abstract)；分类 cs.CV

AI总结通过构建2D物质点法（MPM）模拟数据集，研究从视频推断物理动力学并外推时间演化的能力，比较代码生成与视频扩散方法的优劣。

Comments 16 pages, 13 figures. Project page: https://zzigak.github.io/mpmworlds/

2. 视频问答 1 篇

2506.01274 2026-06-12 cs.CV cs.AI 版本更新 57%

ReFoCUS: Reinforcement-guided Frame Optimization for Contextual Understanding

ReFoCUS: 用于上下文理解的强化引导帧优化

Hosu Lee, Junho Kim, Hyunjun Kim, Yong Man Ro

机构 * Korea Advanced Institute of Science & Technology（韩国科学技术院）； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

专题命中视频问答：video understanding(abstract)；分类 cs.CV

AI总结提出ReFoCUS框架，首次将在线策略梯度强化学习集成到视频大语言模型的帧级优化中，通过自回归和查询条件选择架构学习帧选择策略，无需显式帧级监督，提升视频问答推理准确性。

Comments Project page: https://interlive-team.github.io/ReFoCUS/

3. 视频数据与评测 1 篇

2605.01391 2026-06-12 cs.CV 版本更新 61%

VISTA: Video Interaction Spatio-Temporal Analysis Benchmark

VISTA：视频交互时空分析基准

Alejandro Aparcedo, Akash Kumar, Aaryan Garg, Dalton Pham, Wen-Kai Chen, Anirudh Bharadwaj, Aman Chadha, Yogesh Rawat

机构 * University of Central Florida（中央佛罗里达大学）； BITS Pilani（比特斯理工学院）； Ho Chi Minh City University of Science（胡志明市科学大学）； Amazon GenAI Project（亚马逊生成人工智能项目）

专题命中视频数据与评测：video understanding(abstract,comments)；分类 cs.CV

AI总结提出VISTA基准，通过分解视频为实体、动作和关系，实现开放集多实体多动作的时空理解评估，揭示传统指标掩盖的偏差。

Comments Accepted to CVPR 2026 Workshop on Pixel-level Video Understanding in the Wild (PVUW)